Fluxos de trabalho de fala
A primeira decisão é se você precisa transformar áudio em palavras ou palavras em áudio. A Deepgram está associada à tecnologia de fala, mas essas são tarefas diferentes, com entradas e resultados diferentes. Use este guia para definir a tarefa, preparar um pequeno teste e avaliar o resultado antes de planejar um fluxo de trabalho maior.
Traga uma amostra curta e representativa e uma definição clara de sucesso. Esses pontos de partida ajudam diferentes equipes a evitar testar a tarefa de fala errada.
Você tem uma gravação e precisa de palavras pesquisáveis, incluindo nomes e termos importantes para o estudo.
Comece convertendo áudio em texto e compare a transcrição com um trecho conferido manualmente.
transcrição deepgramO diálogo está em um vídeo, e você precisa de texto que sirva de base para um fluxo de trabalho de legendagem.
Separe os requisitos de áudio dos de edição; uma transcrição, por si só, não é um arquivo de legendas pronto.
transcrição de vídeo deepgramAs pessoas que ligam podem falar idiomas diferentes ou alternar entre eles durante uma conversa.
Liste os idiomas do conjunto de teste e verifique se há suporte para a tarefa específica antes de escolher um fluxo de trabalho.
idiomas deepgramUma resposta falada deve vir após a solicitação de um usuário, não apenas aparecer como texto na tela.
Especifique separadamente como a fala recebida se transforma em texto e como uma resposta se torna audível.
transcrição deepgramImagine que você está testando uma pergunta gravada de um cliente. Mantenha o teste pequeno o suficiente para que uma pessoa possa inspecionar cada etapa.
Anote se o objetivo é obter uma transcrição, uma resposta falada ou ambos. Para um teste de transcrição, escolha uma gravação curta com fala comum e um nome difícil; mantenha uma transcrição de referência feita por uma pessoa.
Envie a gravação pelo fluxo de conversão de áudio em texto que você está avaliando. Se o projeto também precisar de uma resposta falada, redija a resposta em texto e avalie a conversão de texto em fala separadamente, em vez de tratar a transcrição como fala gerada.
Verifique se a transcrição contém o nome difícil, omissões e mudanças de sentido. Depois, ouça qualquer resposta gerada para avaliar a pronúncia e a inteligibilidade. Registre qual etapa precisa de correção antes de adicionar automação.
Uma busca ampla por voz da Deepgram pode levar a várias tarefas mais específicas. Escolha o fluxo que corresponde à entrada que você tem e à saída de que precisa.
Concentre-se em transformar fala gravada ou ao vivo em texto que você possa revisar.
Considere o trabalho adicional de extração e sincronização necessário quando a fala vem de um vídeo.
Verifique a adequação do idioma aos seus falantes e à tarefa de fala que você pretende executar.
Esta comparação trata de tipos de tarefa, não é uma promessa de que todos os controles estejam disponíveis pela mesma interface. Verifique o suporte atual do produto antes da implementação.
Conversão de fala em texto
Uma gravação ou um fluxo de áudio de entrada
Conversão de texto em fala
Texto escrito destinado a ser falado
Conversão de fala em texto
Palavras reconhecidas para leitura ou processamento posterior
Texto para fala
Áudio que um ouvinte pode ouvir
Fala para texto
Comparar as palavras reconhecidas com uma referência revisada
Texto para fala
Ouvir o resultado e verificar a clareza e a pronúncia
Fala para texto
Uma palavra omitida ou um nome entendido incorretamente
Texto para fala
Uma pausa inadequada ou um nome pronunciado incorretamente
Fala para texto
Ler trechos incertos enquanto ouve novamente o áudio original
Texto para fala
Ouvir uma amostra no contexto pretendido
Fala para texto
Pesquisar, resumir, legendar ou encaminhar o texto
Texto para fala
Reproduzir o áudio para um ouvinte ou incorporá-lo a uma experiência
Um fluxo de trabalho de voz da deepgram ainda precisa de verificações além da etapa de fala. Esses limites são especialmente importantes quando as pessoas vão depender do resultado.
Uma transcrição plausível pode conter um nome, número ou instrução incorretos. Ela registra uma interpretação do áudio; não comprova que a afirmação de quem falou seja verdadeira.
Solução alternativaConfira os trechos com consequências importantes na gravação original e confirme as afirmações em uma fonte independente.
Converter um texto fornecido em áudio não determina se o texto é preciso, adequado ou útil para quem vai ouvi-lo.
Solução alternativaAprove o texto da resposta primeiro e depois ouça o áudio gerado antes de disponibilizá-lo.
Ruídos, sotaques, falas simultâneas e terminologia desconhecida podem afetar a qualidade de um teste em condições reais.
Solução alternativaMonte um pequeno conjunto de avaliação com base nas condições que seu público realmente encontra.
Os modelos, formatos, idiomas e configurações de integração disponíveis podem mudar. Uma comparação conceitual não substitui a verificação do serviço atual.
Solução alternativaConfirme os recursos necessários e os termos de tratamento de dados no serviço que você pretende usar.
Comece com uma entrada representativa e um resultado que você possa avaliar. O serviço escolhido pode oferecer um conjunto de ferramentas diferente do discutido aqui; por isso, confirme seus recursos atuais antes de adotar um fluxo de trabalho.
Pode se referir ao reconhecimento de fala, à geração de áudio falado ou à combinação dos dois em um aplicativo. Identifique primeiro a entrada e a saída desejada para avaliar a tarefa específica, em vez de usar um termo genérico.
Não. A conversão de fala em texto retorna as palavras reconhecidas no áudio, enquanto a conversão de texto em fala transforma palavras escritas em áudio. Uma experiência conversacional pode usar ambas, mas cada etapa precisa de sua própria avaliação de qualidade.
Escolha uma amostra curta que se pareça com o conteúdo do seu público real e mantenha uma referência que você possa consultar. Nas transcrições, verifique nomes, sentido e omissões; ao testar o áudio gerado, ouça para avaliar a clareza e a pronúncia.
Uma amostra bem-sucedida é uma evidência útil para aquela amostra, não uma prova de que todos os idiomas, sotaques ou conversas que misturam idiomas terão o mesmo desempenho. Confira o suporte atual para a tarefa específica e teste gravações dos falantes que você pretende atender.
Não. As legendas também podem exigir sincronização, segmentação, decisões sobre a identificação dos falantes e revisão editorial. Use o texto reconhecido como ponto de partida para esse fluxo de trabalho e, depois, confira as legendas com o vídeo.